9 طرق يمكن لعلم البيانات من خلالها تسريع أعمالك ذات التأثير الاجتماعي

بالنسبة للأشخاص الذين يعملون في جميع أنحاء القطاع الخيري ، يمكن أن يشعر علم البيانات بأنه موضوع صعب المراس. من أين تبدأ؟ ما هي البيانات المهمة؟ كيف تتناسب مع عمل مجتمعك؟

قبل أن تتعمق في الأعشاب الضارة ، من المفيد الرجوع لفهم ما هو علم البيانات وما يمكن أن يمكّنك من القيام به.

يدور علم البيانات من أجل التأثير الاجتماعي حول هيكلة ما هو غير منظم للمساعدة في اتخاذ قرارات تعتمد على البيانات. لا يتعلق الأمر بإغراقك في المعلومات التي لا تحتاجها. يتعلق الأمر باستخدام البيانات بشكل استراتيجي لإحداث تأثير أعمق.

استضفنا مؤخرًا ندوة عبر الإنترنت بالشراكة مع Chantal Forster و Technology Association of Grantmakers. شارك ثلاثة علماء بيانات يعملون في قطاع التأثير الاجتماعي - أنطونيو كامبيلو من Wellcome Trust و Jonathan Hertel من Impact Genome Project و Andrew Spott of Submittable - كيف يساعدهم علم البيانات والذكاء الاصطناعي على إنجاز مهامهم.

من خلال تسليط الضوء على الأفكار والأمثلة من هذا الحدث ، قمنا بوضع تسع طرق يمكن لعلم البيانات من خلالها مساعدة مؤسستك في القيام بالمزيد.

سواء كانت لديك خلفية قوية في علم البيانات أو كنت فقط مهتمًا بالبيانات ، فلدينا بعض الأفكار المفيدة للجميع.

بعض التعاريف السريعة لعلوم البيانات

قبل أن نبدأ ، دعنا نغطي بعض المصطلحات. بالنسبة للأشخاص الجدد في علم البيانات ، قد تكون اللغة نفسها أحيانًا مربكة ، لذا إليك كتاب تمهيدي سريع.

• تحليلات البيانات هي عملية تحليل البيانات الأولية للعثور على الاتجاهات والإجابة على الأسئلة.
  • تقوم معظم المؤسسات بعمل شكل من أشكال تحليلات البيانات. على سبيل المثال ، قد تسأل ، أين يعيش المستفيدون لدينا؟ تتبع البيانات الجغرافية لتحديد الدول أو البلدان التي تقدم التمويل لها هو تحليلات البيانات في العمل.

• التعلم الآلي هو عملية الاستفادة من الخوارزميات لمنح أجهزة الكمبيوتر القدرة على التحسين تلقائيًا من خلال التجربة والبيانات.
  • التعرف على الصور هو تطبيق شائع للتعلم الآلي ؛ إذا رأيت هاتفك أو جهاز الكمبيوتر الخاص بك يتعرف من تلقاء نفسه في الصورة ، فقد رأيت التعلم الآلي قيد التنفيذ.

• علم البيانات هو تطبيق خوارزميات التعلم الآلي على مصادر البيانات المختلفة (مثل الأرقام والنصوص والصور والفيديو والصوت وغير ذلك) لإنتاج أنظمة ذكاء اصطناعي يمكنها أداء المهام التي تتطلب عادةً ذكاءً بشريًا.
  • حتى لو لم تكن قد عملت في علم البيانات ، فمن المحتمل أنك استفدت منه. يتم تعزيز علم البيانات عبر كل قطاع - العام والخاص - بما في ذلك الرعاية الصحية والنقل والسلامة العامة والمزيد. على سبيل المثال ، يُستخدم علم البيانات الآن للمساعدة في تحليل التصوير الطبي وتحديد الأورام الخبيثة.

• معالجة اللغة الطبيعية هي فرع من الذكاء الاصطناعي يركز على منح أجهزة الكمبيوتر القدرة على فهم النص والكلمات المنطوقة والرد عليها بنفس الطريقة التي يستطيع بها البشر.
  • فكر في Siri أو Alexa.

• التصنيف هو نظام تصنيف أو تصنيف يستخدم لتجميع العناصر المتشابهة.
  • في العمل الخيري ، قد يتم تجميع المنظمات غير الربحية حسب الحجم أو المهمة أو تصميم البرنامج أو الموقع أو أي تسمية أخرى.

كيف يمكن لعلم البيانات أن يعزز تأثيرك الاجتماعي

1. فهم محفظتك على مستوى أكثر دقة

بالنسبة لمانحي المنح ، يمكن أن تساعدك الاستفادة من البيانات وتحليلات التأثير الاجتماعي في الحصول على صورة أوضح لمن تمول وماذا تمول بالإضافة إلى نتائج هذا التمويل. يمكنك الكشف عن الاتجاهات والتداخلات والفجوات في كيفية توزيع الموارد.

لماذا هذا مهم؟

يتيح لك الحصول على عرض أكثر تفصيلاً لبرامجك تحديد التحيز واجتثاثه والعثور على الفرص الضائعة. بالإضافة إلى أنه يمكن أن يمنحك الأفكار التي تحتاجها لتوسيع جهودك وبناء برامج جديدة فعالة.

من المحتمل أن لديك بالفعل الكثير من البيانات التي تحتاجها. ولكن إذا لم تكن هذه البيانات منظمة ويمكن الوصول إليها ، فهذا لا يعني الكثير. من الصعب رؤية الأنماط أو استخلاص استنتاجات من كومة كبيرة من البيانات غير المهيكلة.

على سبيل المثال ، قامت Wellcome Trust - التي تركز برامجها في الغالب على الصحة - بتحليل محفظتها التي تضم أكثر من 100،000 منحة. باستخدام معالجة اللغة الطبيعية ، قاموا بتطبيق 30000 علامة مرض على محفظتهم. تعد هذه العلامات خطوة مهمة في إعداد البيانات للتحليل والتجزئة. يسمح لمديري المنح بالبحث بسهولة عن برامج المنح السابقة. لنفترض أن المنظمة تفكر في تمويل بحث حول مرض معين ، يمكنهم الآن النظر إلى الوراء فيما إذا كانوا قد مولوا مسبقًا مجال التركيز هذا ونتائج هذا العمل.

حتى إذا كنت لا تتعامل مع مجموعة من 100000 منحة ، فمن المهم أن يكون لديك فهم أكثر تفصيلاً لبرامجك.

يعد وضع العلامات التلقائي إحدى الطرق لبدء تنظيم البيانات التي لديك. على سبيل المثال ، تتيح خاصية Submittable وضع العلامات التلقائي بحيث يمكنك تطبيق علامة بناءً على إجابات لأسئلة محددة عند تقديم طلب المنحة. يمكّنك هذا من تتبع البيانات التي تهم فريقك وتصنيفها وتحليلها ، سواء كانت ديموغرافية أو جغرافية أو تركيز المهمة أو حجم المؤسسة أو أي شيء آخر.

يمكنك فرز المتقدمين والممنوحين بناءً على تلك العلامات لمساعدتك في تحليل كيفية توزيع مواردك وما إذا كنت بحاجة إلى تغيير استراتيجياتك.

2. إنشاء معايير وتصنيفات أوضح

في عالم التأثير الاجتماعي ، نتحدث غالبًا عن نفس الأشياء ولكن باستخدام لغة مختلفة. هذا يمكن أن يجعل من الصعب رؤية أين يتداخل عملنا مع عمل الآخرين وإجراء مقارنات عبر برامج مماثلة.

على سبيل المثال ، عندما يستخدم المانحون والمنظمات غير الربحية والباحثون لغة مختلفة للحديث عن نفس القضايا ، يكون من الصعب جدًا إجراء روابط بين عملهم.

يعيق هذا الانفصال قدرة الجميع على تطوير حلول فعالة وإجراء تنبؤات مستنيرة. فكر في الأمر على أنه أساس منزل. إذا لم يكن لدينا هيكل قوي في هذا المستوى الأساسي ، فسيكون كل شيء مبني فوقه غير مستقر.

يعمل مشروع تأثير الجينوم ، ضمن قياس المهمة ، على تنظيم هذه المعايير. على سبيل المثال ، قاموا بإنشاء سجل الأثر ، وهو قاعدة بيانات قابلة للبحث مع بيانات التأثير والمستفيد على أكثر من مليوني برنامج غير ربحي في الولايات المتحدة وكندا. يمكن أن يساعد هذا النوع من الأدوات في تعزيز هذا الأساس حتى يتمكن القطاع الخيري من البناء بشكل أكثر فعالية نحو الحلول القائمة على البيانات.

3. تتبع المخرجات والنتائج بشكل أكثر وضوحًا

العمل الخيري هو كل شيء عن التأثير. هل البرامج التي تديرها تخلق النتائج التي كنت تقصدها؟ بغض النظر عن ميزانيتك ، إذا كنت لا تعرف ذلك ، فلن تعرف ما إذا كان برنامجك يحدث فرقًا ذا مغزى.

يمكن أن تساعدك تحليلات البيانات على تتبع تأثيرات عملك بدقة أكبر. يمكنك إجراء اتصالات بين الموارد التي تخصصها لبرنامج ما ، والمخرجات قصيرة المدى التي ينشئها ، والنتائج طويلة المدى التي تم تحقيقها.

على سبيل المثال ، تمول Wellcome Trust الكثير من الأبحاث والتجارب السريرية. أراد فريقهم تتبع المخرجات الأكاديمية من منحهم. بعبارة أخرى ، أرادوا معرفة عدد المقالات الأكاديمية التي تم الحصول عليها من البرامج التي قاموا بتمويلها.

باستخدام تقنيات علوم البيانات ، تمكن فريق Wellcome Trust من إنشاء خط أنابيب تلقائي لتجميع المقالات البحثية المتعلقة بالبرامج التي مولوها. ثم تمكنوا من ربط هذا العمل بالعودة إلى المنح المحددة لتحديد البرامج التي لديها أكبر عدد من المخرجات الأكاديمية.

فكر في برامجك والمخرجات والنتائج الأكثر أهمية لمؤسستك. هل تحصل على بيانات واضحة ومفصلة حول كيفية اتصالهم؟ هل تعرف البرامج التي تحقق أفضل النتائج باستمرار؟ يمكن أن يساعدك الاستفادة من علم البيانات من أجل الصالح الاجتماعي في الحصول على صورة أوضح لكيفية انسجامها معًا.

4. البحث عن فجوات في التمويل

يمكن أن يساعد تحليل البيانات الجهات المانحة على تحديد الثغرات في تمويلها. هل تعاني من نقص في تمويل بعض السكان؟ هل تتغاضى عن بعض مكونات العمل؟ يمكن أن يساعدك البحث في البيانات في العثور على فرص للقيام بالمزيد.

من السهل أحيانًا على الممولين التركيز على جوانب العمل المجتمعي التي تبدو أكثر شخصية أو عاطفية. تقديم المساعدة لشخص محتاج يعطي شعورًا جيدًا على المستوى الفردي. ومع ذلك ، يمكن أن تؤدي هذه الاستجابة الوجدانية في بعض الأحيان إلى تحريف كيفية بناء المؤسسات لبرامجها. يعتمد عمل التأثير الاجتماعي على بنية تحتية قوية. يمكن أن يؤدي دعم هذه الأطر الأقل إثارة ، ولكن الأساسية إلى السماح للمنظمات بفعل المزيد.

باستخدام علم البيانات ، يمكنك تحديد الفجوات في التمويل في محفظتك أو في القطاع الخيري ككل. في كثير من الأحيان لا تحظى الوقاية والبنية التحتية بالاهتمام الذي تستحقه.

على سبيل المثال ، استخدمت Wellcome Trust علم البيانات لتحليل حافظتها وتحديد عدد المرات التي مولت فيها التكنولوجيا عبر برامجها. باستخدام هذه الأفكار ، قاموا بتغيير أولوياتهم لتمويل المزيد من المنح للبنية التحتية للبرامج ، والتي تعد أداة رئيسية للعديد من الباحثين.

5. إجراء اتصالات جديدة

من السهل التغاضي عن كل الطرق التي تتداخل وتتقاطع بها الموضوعات والهويات. لكن هذه الأفكار يمكن أن تحدث فرقًا كبيرًا في كيفية تصميم برامجك.

باستخدام علم البيانات ، يمكن لمانحي المنح تحديد الفرص لربط مواضيع أو مشاريع مختلفة. باستخدام أدوات تصور البيانات ، يمكنك معرفة مكان وجود الاتصالات بالفعل ويمكنك العثور على الأماكن التي يجب أن توجد فيها اتصالات ولكن لا توجد بعد.

سيكون من الصعب إيجاد حلول فعالة للمشكلات الكبيرة إذا لم نفهم هذه التقاطعات. خذ تغير المناخ على سبيل المثال. تتداخل تأثيرات تغير المناخ وتتقاطع مع آثار الفقر والظلم العنصري بطرق معقدة. إذا كانت مؤسستك تسعى إلى معالجة تغير المناخ دون النظر في ذلك ، فمن المحتمل أن يكون لبرامجك تأثير محدود.

تريد أن ترى كيف يبدو هذا؟ قام Wellcome Trust بمشروع نمذجة موضوعية مع فريق علم الأعصاب لاستخراج موضوعات تعتمد على البيانات لتمويل الأبحاث. باستخدام علم البيانات لتحليل المستندات النصية ، قاموا بإنشاء خريطة حتى يتمكنوا من تصور الروابط والفجوات بين الموضوعات.

6. ضع برنامجك في المشهد الأوسع

تعمل العديد من المنظمات والأفراد على حل نفس مجموعة المشاكل. يمكن أن تساعد أطر العمل مثل أهداف التنمية المستدامة للأمم المتحدة في توفير فهم رفيع المستوى لكيفية تناسب عملك مع الجهود الأوسع لإحداث التغيير. لكنه لا يمنحك التفاصيل التي تحتاجها.

تريد الحصول على صورة واضحة عن كيفية مساهمة برامجك في التقدم على نطاق أوسع. هل تساعد في تحريك الإبرة؟ هل تكرر برامجك جهودًا أخرى أم أنك تؤدي دورًا فريدًا؟

يمكن أن يساعدك علم البيانات في الحصول على هذه الإجابات ويسمح لك بأن تكون أكثر استراتيجية في توزيع مواردك.

على سبيل المثال ، استخدمت Wellcome Trust مزيجًا من بحث API ، وكشط الويب ، ومعالجة اللغة الطبيعية لتقييم كيف يتناسب عملهم مع الجهود الأوسع لمكافحة COVID. لتقييم فعالية البحث الذي قاموا بتمويله ، قاموا بقياس عدد المرات التي تم فيها ذكر البحث في الأدلة العلمية من الوكالات الحكومية والاعتراف بها في الأدبيات العامة حول COVID. وقد منحهم ذلك فكرة واضحة عما إذا كانت البرامج التي يدعمونها تلعب دورًا في الجهود الأوسع.

7. تقييم فعالية البرنامج والتكلفة

جزء من كونك مانحًا هو الموازنة بين تكلفة البرنامج وفعاليته. تريد أن تعرف أن مواردك تقوم بإجراء التغييرات التي تريد رؤيتها ، ولكنهم يفعلون ذلك أيضًا بأكبر قدر ممكن من الكفاءة.

الرهانات عالية. نحن لا نتحدث عن بعض الأرباح أو أرباح المساهمين. غالبًا ما تحدد تكاليف برنامجك عدد الأشخاص أو المنظمات المجتمعية التي يمكنك دعمها.

يمكّن علم البيانات المانحين من الحصول على تحليل أعمق لكيفية ارتباط المخرجات والنتائج وكيفية مقارنتها بالتكاليف. إذا لم تكن لديك هذه المعلومات ، فمن المستحيل معرفة ما إذا كنت تقوم باستثمارات ذكية.

على سبيل المثال ، يركز Impact Genome على الصحة المالية. يستخدمون علم البيانات لقياس فعالية البرامج وكيفية مقارنة تكاليف البرنامج بالنتائج التي تنتجها. باستخدام التعلم الآلي ، قاموا بتقييم 990 سجل ضريبي لجميع المنظمات غير الربحية في الولايات المتحدة. من هنا ، يمكنهم مقارنة حجم الميزانية بالنتائج المحققة.

بالطبع هناك العديد من الاستراتيجيات المختلفة وتصميمات البرامج لمعالجة الصحة المالية. على سبيل المثال ، يمكنك مساعدة شخص ما في تغطية نفقات الطوارئ أو تقديم المشورة المالية. من المحتمل أن يكون لها تكاليف ونتائج مختلفة.

أجرى الفريق في Impact Genome تحليلًا تلويًا لتقسيم النتائج التي تمثل الصحة المالية ثم وضع التكاليف المرتبطة بها.

فكر في مدى فائدة هذه المعلومات للمنظمات غير الربحية التي تعمل في مجال الصحة المالية. يمكنهم مقارنة تكاليفهم ونتائجهم بهذه المتوسطات. هل ينفقون أكثر بشكل ملحوظ دون تحقيق نتائج أفضل؟ أم أنها على قدم المساواة مع المنظمات غير الربحية الأخرى؟ هذه معلومات مهمة يجب الحصول عليها أثناء تشكيل برامجهم المستقبلية.

8. أتمتة عملية المراجعة الخاصة بك

بالنسبة لمانحي المنح الذين يتطلعون إلى مراجعة حجم كبير من التطبيقات ، يمكن أن يساعد علم البيانات. من أجل الحصول على بيانات نظيفة (تتم معالجة البيانات وتنسيقها لإزالة عدم الدقة والتضارب) ، تستبدل بعض المؤسسات أسئلة الإجابات المفتوحة بخيارات متعددة. يمكن أن يكون هذا أسهل على الأشخاص للمراجعة ، ولكن يتم فقد الكثير عندما تستبعد قدرة مقدم الطلب على شرح عملهم وفقًا لشروطهم الخاصة.

من خلال الاستفادة من التعلم الآلي ، يمكنك الاحتفاظ بأسئلة الإجابة المفتوحة وقضاء وقت أقل في مراجعة التطبيقات يدويًا. يمكنك أيضًا تحقيق نتائج أقل تحيزًا وأكثر اتساقًا. كيف يعمل هذا؟

تعمل ميزة المراجعة السريعة الخاصة بـ Submittable على وضع علم البيانات موضع التنفيذ. باستخدام التعلم الآلي ، ينشئ Submittable نموذجًا بناءً على المراجعات التي يقوم بها فريقك. باختصار ، أنت تدرب الكمبيوتر للمساعدة في مراجعة التطبيقات بنفس الطريقة التي يقوم بها فريقك.

كيف تبدو العملية؟

يقوم فريقك بمراجعة عينة من حوالي 200 تطبيق. تم بناء النموذج حول هذه العملية ، حيث يتعلم كيف يقوم المراجعون بتسجيل وتقييم المتقدمين. قبل تطبيق النموذج بالكامل ، يتم تقييمه للتأكد من دقته على مجموعة صغيرة من التطبيقات. إذا لزم الأمر ، يمكن إعادة تدريب النموذج.

تعني أتمتة عملية المراجعة الخاصة بك بهذه الطريقة أنه يمكنك مراجعة آلاف أو حتى ملايين التطبيقات بسرعة لا تصدق وبدقة مذهلة. هذا يقلل بشكل كبير من التعب والخطأ البشري. ببساطة ، تتيح المراجعة التلقائية لفريقك القيام بمزيد من العمل مع عدد أقل من الموظفين من خلال الاستفادة من التعلم الآلي للمساعدة في إبراز المعلومات الأساسية.

9. تخفيف العبء على المستفيدين

مع زيادة الوعي بالعبء الإداري الذي غالبًا ما يقع على عاتق المستفيدين من المنح ، يمكن أن يكون علم البيانات أداة رائعة لإلقاء الضوء على الفرص لمانحي المنح لتقليل العبء.

على سبيل المثال ، استخدمت جمعية التكنولوجيا لمانحي المنح مؤخرًا التعلم الآلي وتحليل التشابه لتحديد أن نموذج المنحة العشوائية يشبه 39٪ أي نموذج منحة آخر.

لماذا هذا مهم؟

هذا يعني أن العديد من المنظمات غالبًا ما تعيد نفس العمل مرارًا وتكرارًا عندما تتقدم بطلب للحصول على منح مختلفة. ماذا لو اجتمع الممولين معًا وقاموا بتوحيد أجزاء من طلبات المنح الخاصة بهم للتأكد من أن الجميع يطلب نفس المعلومات بنفس التنسيق؟ فكر في مقدار الوقت الذي من شأنه أن يوفر على المستفيدين. 39٪!

تحويل الرؤى إلى أفعال

يدور علم البيانات حول استخدام التكنولوجيا لتقديم رؤى وهيكل من المعلومات التي لديك. لكن إحداث التغيير سيتطلب من الناس أخذ تلك الأفكار وتحويلها إلى أفعال.

قد لا يكون لديك الموارد أو القدرة على بناء فريق علوم البيانات الداخلي الخاص بك. هذا جيد - لقد غطيت "قابل للتقديم". كنظام أساسي للتأثير الاجتماعي تم إنشاؤه لمساعدة المؤسسات من جميع الأحجام ، يمكننا تقديم جميع مزايا فريق علوم البيانات مقابل جزء بسيط من التكلفة. اكتشف المزيد اليوم.